Tổng quan
Chú ý truy vấn theo nhóm (GQA) là một cách để thu nhỏ bộ nhớ cần thiết trong quá trình tạo văn bản bằng cách cho phép một số đầu truy vấn chia sẻ cùng một đầu khóa và giá trị. Nó làm cho các mô hình lớn được phục vụ nhanh hơn nhiều mà hầu như không làm giảm chất lượng.
Chú ý truy vấn theo nhóm là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn.
Lặn sâu
Trong lớp chú ý nhiều đầu tiêu chuẩn, mỗi đầu đều có truy vấn, khóa và giá trị riêng. Trong quá trình tạo, các khóa và giá trị cho tất cả các mã thông báo trước đó sẽ được lưu vào bộ đệm ('bộ đệm KV') để mô hình không tính toán lại chúng. Với nhiều đầu và ngữ cảnh dài, bộ đệm này trở nên khổng lồ và chiếm ưu thế về băng thông bộ nhớ tại thời điểm suy luận. GQA, được giới thiệu bởi các nhà nghiên cứu Google vào năm 2023, nhóm các đầu truy vấn và cung cấp cho mỗi nhóm một bộ đầu khóa và giá trị chung duy nhất. Nếu bạn có 32 đầu truy vấn nhưng chỉ có 8 nhóm KV thì bộ đệm KV sẽ co lại khoảng bốn lần. Điều này nằm giữa sự chú ý hoàn toàn của nhiều đầu (mỗi đầu riêng biệt) và sự chú ý nhiều truy vấn (một KV dùng chung cho tất cả các đầu), nắm bắt hầu hết tốc độ của MQA trong khi vẫn giữ chất lượng gần với sự chú ý hoàn toàn. Llama 2 70B và nhiều mẫu sau này đã áp dụng nó.
Hiểu biết kỹ thuật
Chất lượng chú ý phụ thuộc rất nhiều vào việc có nhiều hướng truy vấn riêng biệt nhưng nó cho phép chia sẻ khóa và giá trị. GQA khai thác sự bất đối xứng này: nó giữ tất cả các đầu truy vấn nhưng sao chép từng đầu KV được chia sẻ trên các truy vấn trong nhóm của nó. Khoản tiết kiệm đến từ suy luận, trong đó bộ đệm KV là nơi tiêu thụ băng thông bộ nhớ chính; ít đầu KV hơn có nghĩa là sẽ có ít dữ liệu hơn để đọc trên mỗi mã thông báo được tạo. Các mô hình thường được 'đào tạo nâng cấp' trong thời gian ngắn để chuyển đổi điểm kiểm tra nhiều đầu hiện có thành điểm kiểm tra GQA.
Nắm vững sự chú ý truy vấn theo nhóm
Chú ý truy vấn theo nhóm (GQA) là một cách để thu nhỏ bộ nhớ cần thiết trong quá trình tạo văn bản bằng cách cho phép một số đầu truy vấn chia sẻ cùng một đầu khóa và giá trị. Nó làm cho các mô hình lớn được phục vụ nhanh hơn nhiều mà hầu như không làm giảm chất lượng. Chú ý truy vấn theo nhóm là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Chú ý truy vấn theo nhóm như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng các lời nhắc, truy xuất và vòng lặp xem lại của Chú ý truy vấn theo nhóm như một hệ thống giao tiếp tích hợp. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Đồng thời, các sự kiện ảo giác có thể âm thầm đưa vào các báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Llama 2 70B và Llama 3 sử dụng GQA để phục vụ các bối cảnh dài với bộ đệm KV nhỏ hơn
Giảm bộ nhớ GPU để mô hình trò chuyện lớn phù hợp với ít bộ tăng tốc hơn hoặc rẻ hơn
Tăng tốc quá trình tạo mã thông báo theo mã thông báo trong API sản xuất trong đó băng thông bộ đệm KV là nút thắt cổ chai
Kích hoạt kích thước lô lớn hơn để phục vụ nhiều người dùng cùng lúc mà không làm cạn kiệt bộ nhớ
Các mẫu triển khai
Chú ý truy vấn theo nhóm trong thực tế
Llama 2 70B và Llama 3 sử dụng GQA để phục vụ các ngữ cảnh dài với bộ đệm KV nhỏ hơn.
Llama 2 70B và Llama 3 sử dụng GQA để phục vụ các bối cảnh dài với bộ đệm KV nhỏ hơn Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Chú ý truy vấn theo nhóm trong thực tế
Giảm bộ nhớ GPU để mô hình trò chuyện lớn phù hợp với ít bộ tăng tốc hơn hoặc rẻ hơn.
Giảm bộ nhớ GPU để mô hình trò chuyện lớn phù hợp với ít công cụ tăng tốc hơn hoặc rẻ hơn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình báo cáo của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Chú ý truy vấn theo nhóm trong thực tế
Tăng tốc quá trình tạo mã thông báo theo mã thông báo trong API sản xuất trong đó băng thông bộ đệm KV là nút thắt cổ chai.
Tăng tốc việc tạo từng mã thông báo trong các API sản xuất trong đó băng thông bộ nhớ đệm KV là điểm nghẽn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Chú ý truy vấn theo nhóm trong thực tế
Kích hoạt kích thước lô lớn hơn để phục vụ nhiều người dùng cùng lúc mà không làm cạn kiệt bộ nhớ.
Kích hoạt kích thước lô lớn hơn để phục vụ đồng thời nhiều người dùng mà không làm cạn kiệt bộ nhớ Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.